Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της βραχυπρόθεσμης πρόβλεψης της ηλεκτρικής ζήτησης σε λιμενικές εγκαταστάσεις, με μελέτη περίπτωσης τον Νότιο Λιμένα Πατρών. Η ενεργειακή ζήτηση των σύγχρονων λιμένων αποκτά αυξανόμενη σημασία στο πλαίσιο της ναυτιλιακής απανθρακοποίησης, της ηλεκτροδότησης πλοίων εν στάσει (OPS) και της μετάβασης προς το πρότυπο του σχεδόν μηδενικής ενεργειακής κατανάλωσης λιμένα (nZEP), καθιστώντας την ακριβή πρόβλεψη φορτίου προϋπόθεση για την αποδοτική ενεργειακή διαχείριση. Αξιοποιήθηκαν ωριαία δεδομένα κατανάλωσης ηλεκτρικής ενέργειας για την περίοδο 2021–2025, σε συνδυασμό με μετεωρολογικά δεδομένα (Open-Meteo) και ημερολογιακά χαρακτηριστικά. Μετά από διερευνητική ανάλυση που ανέδειξε έντονη ημερήσια και εβδομαδιαία περιοδικότητα στη χρονοσειρά, αναπτύχθηκαν και συγκρίθηκαν τέσσερα μοντέλα πρόβλεψης: Γραμμική Παλινδρόμηση (μοντέλο αναφοράς), Random Forest, XGBoost και δίκτυα LSTM (μονομεταβλητή και πολυμεταβλητή διαμόρφωση, για ακολουθιακά παράθυρα εισόδου 24 και 168 ωρών), με χρήση χρονικά ορθής διαδικασίας επικύρωσης τύπου rolling-origin. Τα αποτελέσματα δείχνουν ότι τα μοντέλα βασισμένα σε δέντρα απόφασης (Random Forest, XGBoost) πέτυχαν ανταγωνιστική έως καλύτερη απόδοση σε σχέση με τα πολυπλοκότερα δίκτυα LSTM, υποδηλώνοντας ότι η αύξηση της αλγοριθμικής πολυπλοκότητας δεν οδηγεί απαραίτητα σε ανάλογη βελτίωση της προγνωστικής ακρίβειας για το συγκεκριμένο πρόβλημα. Η ανάλυση σημαντικότητας χαρακτηριστικών ανέδειξε τις μεταβλητές χρονικής υστέρησης ως κυρίαρχο παράγοντα πρόβλεψης. Τα ευρήματα παρέχουν πρακτικές κατευθύνσεις για την επιλογή μοντέλων βραχυπρόθεσμης πρόβλεψης φορτίου σε λιμενικά περιβάλλοντα.

This thesis addresses short-term electrical load forecasting for port facilities, using the South Port of Patras as a case study. Energy demand in modern ports is of growing importance in the context of maritime decarbonisation, onshore power supply (OPS) for berthed vessels, and the transition toward the nearly-zero-energy port (nZEP) concept, making accurate load forecasting a prerequisite for effective energy management. Hourly electricity consumption data for the period 2021-2025 were combined with weather data (Open-Meteo) and calendar features. Following exploratory analysis that revealed strong daily and weekly periodicity in the series, four forecasting models were developed and compared: Linear Regression (benchmark), Random Forest, XGBoost, and LSTM networks (univariate and multivariate configurations, for 24- and 168-hour input windows), evaluated using a time-respecting rolling-origin validation procedure. Results show that tree-based models (Random Forest, XGBoost) achieved competitive-to-superior performance compared to the more complex LSTM networks, indicating that increased algorithmic complexity does not necessarily translate into proportional gains in forecasting accuracy for this problem. Feature importance analysis identified lagged-demand variables as the dominant predictors. The findings offer practical guidance for model selection in short-term load forecasting for port environments.